[論文レビュー] Lightweight Convolutional Neural Networks for CSI Feedback in Massive MIMO

Zheng Cao, Wan-Ting Shih+3 more|arXiv (Cornell University)|May 1, 2020

Wireless Signal Modulation Classification参考文献 17被引用数 12

ひとこと要約

本稿では、2次元空間的チャネル構造を保持することで再構成精度を向上させる畳み込み自己符号化器を用いた、FDD massive MIMOシステム向けの深層学習ベースのCSIフィードバックネットワーク、ConvCsiNetを提案する。モバイルデバイスへの展開を可能にするために、さらに深さ方向分離畳み込みとチャネルシャッフルを導入した軽量版であるShuffleCsiNetを提案し、ConvCsiNetに比べて79%少ないパラメータ数と80%低いFLOPsを達成しながら、1/32の圧縮比においてほぼ最適な再構成性能を維持している。

ABSTRACT

In frequency division duplex mode of massive multiple-input multiple-output systems, the downlink channel state information (CSI) must be sent to the base station (BS) through a feedback link. However, transmitting CSI to the BS is costly due to the bandwidth limitation of the feedback link. Deep learning (DL) has recently achieved remarkable success in CSI feedback. Realizing high-performance and low-complexity CSI feedback is a challenge in DL based communication. We develop a DL based CSI feedback network in this study to complete the feedback of CSI effectively. However, this network cannot be effectively applied to the mobile terminal because of the excessive numbers of parameters. Therefore, we further propose a new lightweight CSI feedback network based on the developed network. Simulation results show that the proposed CSI network exhibits better reconstruction performance than that of other CsiNet-related works. Moreover, the lightweight network maintains a few parameters and parameter complexity while ensuring satisfactory reconstruction performance. These findings suggest the feasibility and potential of the proposed techniques.

研究の動機と目的

• モバイル端末における深層学習ベースのCSIフィードバックの高い計算コストとメモリコストを低減すること。
• 周波数分割多重（FDD）massive MIMOシステムにおけるCSIフィードバックの再構成精度を向上させること。
• 実用的なモバイルデバイスへの展開を可能にするために、モデルの複雑さとパラメータ数を低減しながらも高い再構成性能を維持すること。
• 極めて制限された帯域幅下でも、頑健性と性能を保持する軽量なネットワークアーキテクチャを開発すること。

提案手法

• CSI行列の2次元空間相関を保持するために、畳み込み層、平均プーリング、アップサンプリングを用いた畳み込み自己符号化器ベースのCSIフィードバックネットワーク（ConvCsiNet）を設計する。
• 特徴再構成の精緻化と空間分解能の向上を図るため、デコーダーにRefineNetおよびDNユニットを導入する。
• 標準的な畳み込みを深さ方向分離畳み込みに置き換え、チャネルシャッフル操作を統合することで、パラメータ数とFLOPsを削減したShuffleCsiNetを構築する。
• すべての畳み込みブロックにバッチ正則化（BN）とReLU活性化関数を適用し、学習の安定化と特徴抽出の向上を図る。
• エンコーダーとデコーダーの各パスにおいて、特徴マップのダウンサンプリングとアップサンプリングにそれぞれ平均プーリングおよびアップサンプリング層を適用する。
• 完全結合層の最小化とシャッフル機構における機能再利用の活用により、低複雑度のデプロイメントを最適化する。

実験結果

リサーチクエスチョン

• RQ1 FDD massive MIMOシステムにおいて、深層学習ベースのCSIフィードバックネットワークは、CsiNetおよびその変種に比べて優れた再構成性能を達成できるか？
• RQ2 CNNベースのCSIフィードバックネットワークのパラメータ数と計算複雑度を、再構成品質に著しい悪影響を与えることなく低減できるか？
• RQ3 深さ方向分離畳み込みにおけるチャネルシャッフル機構は、CSIフィードバックにおけるモデルの頑健性と効率性をどの程度向上させるか？
• RQ4 軽量なネットワークアーキテクチャは、低フィードバック圧縮比（例：1/32）下でも高い再構成精度を維持できるか？
• RQ5 畳み込み層による空間的特徴抽出は、完全結合型またはフィードフォワードネットワークに比べて、CSIフィードバックにおいてどのように優れているか？

主な発見

• 1/16の圧縮比において、ConvCsiNetは屋内環境で-13.79 dB、屋外環境で-6.00 dBの正規化平均二乗誤差（NMSE）を達成し、CsiNet、CRNet、DS-NLCsiNetを上回る性能を示した。
• 1/32の圧縮比において、ConvCsiNetは屋内環境で-10.10 dB、屋外環境で-5.21 dBのNMSEを達成し、高圧縮下でも優れた再構成精度を示した。
• 1/32の圧縮比において、ShuffleCsiNetはConvCsiNetの21.05%のパラメータ数にまで削減され、パラメータ数は1,623,416から341,800に減少した。
• 1/32の圧縮比において、ShuffleCsiNetはConvCsiNetの19.8%のFLOPsにまで削減され、58.2Mから11.6Mに低下した。これは計算複雑度の顕著な低減を示している。
• 低い複雑度であるにもかかわらず、ShuffleCsiNetはほぼ最適な性能を維持し、1/32の圧縮比において屋内環境で-9.41 dB、屋外環境で-3.50 dBのNMSEを達成した。
• ShuffleCsiNetにおけるチャネルシャッフルと深さ方向分離畳み込みの設計は、モデルの頑健性と機能再利用性を向上させ、最小限のリソースで高い性能を実現した。